文件，例如通过 keras.callbacks.ModelCheckpoint， Keras 使用了 h5py Python 包。h5py 是 Keras 的依赖项，应默认被安装。在基于 Debian 的发行版 本上，你需要再额外安装 libhdf5： sudo apt-get install libhdf5-serial-dev 如果你不确定是否安装了 h5py，则可以打开 Python shell 块 导 入 没 有 错 误， 那 么 模 块 已 经 安 装 成 功， 否 则 你 可 以 在 http://docs.h5py.org/en/latest/build.html 中找到详细的安装说明。 模型 39 4 模型 4.1 关于 Keras 模型 在 Keras 中有两类主要的模型：Sequential 顺序模型 和 使用函数式 API 的 Model 类模型。 这些模型有许多共同的方法和属性： （部分层相同），设置 by_name=True 来载入那些名字相同的层的权重。 模型 40 注意：另请参阅如何安装 HDF5 或 h5py 以保存 Keras 模型，在常见问题中了解如何安装 h5py 的说明。 Model 子类 除了这两类模型之外，你还可以通过继承 Model 类并在 call 方法中实现你自己的前向传 播，以创建你自己的完全定制化的模型，（Model 子类 API 引入于 Keras

：首先，用户通过Web浏览器（或移动应 用程序）与应用程序进行交互；紧接着，应用程序与数据库引擎进行交互，以保存交易历史记录并跟踪每个 用户的动态；其中，这个应用程序的核心——“业务逻辑”，详细说明了应用程序在各种情况下进行的操作。 为了完善业务逻辑，开发人员必须细致地考虑应用程序所有可能遇到的边界情况，并为这些边界情况设计合 适的规则。当买家单击将商品添加到购物车时，应用程序会向购物车数据库表中添加一个条目，将该用户ID与 在零售产品、音乐和新闻推荐等等。 在某些应用中，客户会提供明确反馈，表达他们对特定产品的喜爱程度。例如，亚马逊上的产品评级和评论。 在其他一些情况下，客户会提供隐性反馈。例如，某用户跳过播放列表中的某些歌曲，这可能说明这些歌曲 对此用户不大合适。总的来说，推荐系统会为“给定用户和物品”的匹配性打分，这个“分数”可能是估计 的评级或购买的概率。由此，对于任何给定的用户，推荐系统都可以检索得分最高的对象集，然后将其推荐 种机制（有时称为执行器）将 其传输回环境，最后智能体从环境中获得奖励（reward）。此后新一轮循环开始，智能体接收后续观察，并 选择后续操作，依此类推。强化学习的过程在 图1.3.7 中进行了说明。请注意，强化学习的目标是产生一个好 的策略（policy）。强化学习智能体选择的“动作”受策略控制，即一个从环境观察映射到行动的功能。 30 1. 引言 图1.3.7: 强化学习和环境之间的相互作用

ructGPT构建，因而可以从InstructGPT来理解ChatGPT利用人类意图来增强模型效果） 步骤1：搜集说明数据，训练监督策略 图：基于人类反馈强化的核心训练流程如下所示： 步骤2：搜集比较数据，训练一个奖励模型 步骤3：搜集说明数据，使用增强学习优化模型 搜集说明数据（基于 prompt 训练方式的数 据集），训练监督策略 Labeler(标记者)揭 示期望的输出行为

4）此外本书当中还会重点关注的 torchvison 库中的一些常见 模型库与功能函数，主要包括对象检测模块与模型库、图象数 据增强与预处理模块等。 以上并不是 pytorch 框架中全部模块与功能说明，作者这里只 列出了跟本书内容关联密切必须掌握的一些模块功能，希望读 者可以更好的针对性学习，掌握这些知识。 1.1.3 Pytorch 框架现状与趋势 Pytorch 是深度学习框架的后起之秀，它参考了市场上早期框 命令行模式） 如果显示图 1-2 所示的信息表示已经安装成功 Python 语言包 支持；如果输入 Python 之后显示信息为“'python' 不是内部 或外部命令，也不是可运行的程序”则说明第二步中没有勾选 上“add Python3.6 to PATH”，此时请手动把 python.exe 所 在路径添加到 Windows 系统的环境变量中去之后再次执行 即可。 4. 安装好 是直接创建的 GPU 类型数据。 以上都是一些最基础跟使用频率较高的 Pytorch 基础操作，了 解并掌握这些函数有助于进一步学习本书后续章节知识，更多 关于 Pytorch 基础操作的函数知识与参数说明，读者可以直接 参见官方的开发文档。 1.5 线性回归预测 上一小节介绍了 Pytorch 框架各种基础操作，本节我们学习一 个堪称是深度学习版本的 Hello World 程序，帮助读者理解模

• 基础：图像分类问题定义与说明 • 基础：越来越深的图像分类网络 • 应⽤用：检测SKU抠图与分类标注流程 • 应⽤用：分类训练集与验证集划分 • 应⽤用：使⽤用TensorFlow 2训练ResNet • 应⽤用：使用ResNet识别货架商品 • 扩展：图像分类常用数据集综述 • 扩展：图像分类更多应⽤用场景介绍 目录 基础：图像分类问题定义与说明 图像分类问题 语义级分类

商品检测篇：使用 RetinaNet 瞄准你的货架商品 扫码试看/订阅 《 TensorFlow 2项目进阶实战》视频课程 • 基础：目标检测问题定义与说明 • 基础：R-CNN系列二阶段模型综述 • 基础：YOLO系列一阶段模型概述 • 基础：RetinaNet 与 Facol Loss 带来了什么 • 应用：检测数据准备与标注 • 应用：划分检测训练集与测试集 • 应用：生成CSV TensorFlow 2 训练 RetinaNet • 应用：使用 RetinaNet 检测货架商品 • 扩展：目标检测常用数据集综述 • 扩展：目标检测更多应用场景介绍 目录 基础：目标检测问题定义与说明 目标检测问题 目标检测评估：Ground Truth 目标检测评估： Intersection over Union (IoU) 目标检测评估：Intersection over Union

loss.backward() 时,整张计算图都会 根据 loss 进行微分，而且图中所有设置为 requires_grad=True 的张量 将会拥有一个随着梯度累积的 .grad 张量。 为了说明，让我们向后退几步: print(loss.grad_fn) # MSELoss print(loss.grad_fn.next_functions[0][0]) # Linear print(loss 注意 观察如何使用 optimizer.zero_grad() 手动将梯度缓冲区设置为零。 原文链接：pytorch 入门笔记 -03- 神经网络 这是因为梯度是按 Backprop 部分中的说明累积的。 原文链接：pytorch 入门笔记 -03- 神经网络

也是一个特征向量。因此，当我们讨论与 相关的特征向量时，我们通常假设特征向量被标准化为长度 为1（这仍然会造成一些歧义，因为 和 都是特征向量，但我们必须接受这一点）。 我们可以重写上面的等式来说明 是 的特征值和特征向量的组合： 但是 只有当 有一个非空零空间时，同时 是奇异的， 才具有非零解， 即： 现在，我们可以使用行列式的先前定义将表达式 扩展为 中的（非常大的）多项式，其中， 的新的表示形式为 ，通常称为矩阵 的对角化。术语对角化是这样来的：通过这种表示， 我们通常可以有效地将对称矩阵 视为对角矩阵 , 这更容易理解。关于由特征向量 定义的基础， 我们 将通过几个例子详细说明。 背景知识：代表另一个基的向量。 任何正交矩阵 定义了一个新的属于 的基（坐标系），意义如下：对于任 何向量 都可以表示为 ， 的线性组合，其系数为 ： 在第二个等式中，我们使用矩阵和向量相乘的方法。

环境已安装的库，如果是新安装的 Python 环境，则列出的 库都是 Anaconda 自带的软件库，如图 1.24 所示。如果 conda list 能够正常弹出一系列的库 列表信息，说明 Anaconda 软件安装成功；如果 conda 命令不能被识别，则说明安装失败， 需要重新安装。 图 1.24 Anaconda 安装结果测试 1.6.2 CUDA 安装 目前的深度学习框架大都基于 NVIDIA 安装界面-2 安装完成后，我们来测试 CUDA 软件是否安装成功。打开 cmd 命令行，输入“nvcc - V”，即可打印当前 CUDA 的版本信息，如图 1.29 所示，如果命令无法识别，则说明安装 失败。同时也可以从系统环境变量 Path 中找到 CUDA 10.1 的路径配置，如图 1.28 所示。 图 1.27 CUDA 安装界面-3 图 1.28 CUDA 安装结果测试-1 TensorFlow 的支持更完美。对于使用 TensorFlow 的开发者来说，tf.keras 可以理解为一个普 通的子模块，与其他子模块，如 tf.math，tf.data 等并没有什么差别。下文如无特别说明， Keras 均指代 tf.keras，而不是标准的 Keras 库。 8.1 常见功能模块 Keras 提供了一系列高层的神经网络相关类和函数，如经典数据集加载函数、网络层 类、

线性不可分支持向量机 这三个常用的核函数中,只有高斯核函数是需要调参的。 26 SVM的超参数 ?越大，支持向量越少，? 值越小，支持向量越多。 其中 C是惩罚系数，即对 误差的宽容度。 C越高， 说明越不能容忍出现误差, 容易过拟合。C越小，容 易欠拟合。 4.线性不可分支持向量机 27 总结 下面是一些SVM普遍使用的准则： ?为特征数，?为训练样本数。 (1)如果相较于?而言，